Finansiering
LanceDB tar in 57,5 miljoner dollar i B-runda för att bygga ut sitt multimodala AI-lakehouse

Viktiga punkterLanceDB tog in 57,5 miljoner dollar för att expandera ett lakehouse som kuraterar och…
Visa mer
- LanceDB tog in 57,5 miljoner dollar för att expandera ett lakehouse som kuraterar och levererar AI-träningsdata.
- Företaget rapporterar mer än tiofaldig intäktstillväxt år över år sedan dess Serie A i juni 2025.
- LanceDB strävar efter att förena träningsdata, experiment och utrullningar så att team slutar hantera pipelines manuellt.
LanceDB meddelade den 17 november 2026 att bolaget hade tagit in 57,5 miljoner dollar i en B-runda för att bygga ut sitt multimodala lakehouse, en plattform för att organisera och tillhandahålla träningsdata för AI. Finansieringsrundan innebär att bolagets totala finansiering uppgår till 98,5 miljoner dollar.
Bessemer Venture Partners och Innovation Endeavors ledde rundan, med deltagande från Theory Ventures, Dimension, Swift Ventures, CRV och Y Combinator. LanceDB planerar att använda kapitalet för att bredda sin roll inom modellutveckling, bland annat genom hantering av träningsdata, egenskapsutveckling, experimentgenomförande och dataladdning.
Ökad användning och teknisk skala
LanceDB uppger att forskare kan förlora veckor eller månader på att skaffa och kurera träningsdata, trots att framsteg inom avancerad AI mäts i dagar och veckor. Bolagets multimodala lakehouse är tänkt att minska det glappet genom att samla kurering, sökning och hämtning, egenskapsutveckling och träning för arbete med avancerade modeller, världsmodeller, fysisk AI och företagsapplikationer.
Bolaget uppger att omsättningen har vuxit mer än tiofalt jämfört med året innan sedan A-rundan i juni 2025. Biblioteket med öppen källkod har laddats ned mer än 120 miljoner gånger, vilket motsvarar en sexfaldig ökning av det totala antalet nedladdningar jämfört med samma tidpunkt året innan. Bland kunderna finns Netflix, Microsoft AI, Runway, Luma AI och Midjourney.
Plattformen är utformad för att lagra multimodala data, till exempel videor, bilder och sensordata, och samtidigt stödja storskalig hämtning och träning. LanceDB uppger att plattformen hanterar mer än 130 000 förfrågningar per sekund med en svarstid under 210 millisekunder för 95 % av förfrågningarna, enskilda tabeller med hundratals petabyte data eller mer än 40 miljarder vektorer samt parallell träning på 8 000 GPU:er.
Företagsfunktionerna hanterar uppdateringar av dessa tabeller medan de används. Ett beständigt, minnesaccelererat skrivflöde hanterar inläsning i realtid, distribuerad indexering kan skalas upp för stora datamängder och hanterad komprimering optimerar kontinuerligt tabeller i bakgrunden. LanceDB uppger att hanterad komprimering stöder upp till 100 miljarder multimodala rader, samtidigt som flera forskare kan läsa, skriva och söka i samma tabell parallellt.
Kunder berättar om träningsdata som förändras
Runways tekniska chef Kamil Sindi beskrev hur ett träningsexempel utvecklas: ”Ett träningsexempel hos Runway står inte stilla. Det börjar som en video och en prompt. Sedan lägger vi till inbäddningar samt metadata om upplösning och varaktighet – allt som nästa experiment behöver.” Runway började använda dataformatet Lance 2024 och blev senare kund hos LanceDB Enterprise. Företaget använder nu Lance och LanceDB Enterprise tillsammans, så att forskarna snabbare kan arbeta med stora datamängder som förändras.
NVIDIA Cosmos, en användare och partner inom öppen källkod, ger ett annat exempel på driftsättning. Den tekniska ledaren Max Li sade att teamet kurerade omkring en miljon timmars video med Lance för Cosmos 3, att de nu går mot att träna direkt från formatet och att den objektlagringsbaserade arkitekturen är användbar för att strömma, filtrera och granska stora datamängder medan de revideras, samtidigt som data tillhandahålls stora GPU-kluster.
Suqiang (Jack) Song, chef för Microsoft AI:s dataplattform, sade att hans organisation använder LanceDB som sitt lager för träningsdata för miljarder rader med bilder och kod, och att distribuerade inferensjobb läser direkt från Lance på tusentals noder. Att kunna arbeta inom Microsofts egen klientmiljö och följa bolagets säkerhetspolicy var ett absolut krav för produktionsanvändning.
Planerna för B-rundan
LanceDB avser att samla träningsdata, kontext, loggar och körningsdata i ett enda system som kan hantera petabyteskala. Forskarteam skulle också kunna genomföra ett stort antal AI-agentexperiment parallellt utan att kontaminera gemensamma datamängder. Arbetet syftar till att stödja hela cykeln för modellförbättring och minska den manuella övervakningen av datapipelines och problemen med dataladdning som kan bromsa forskningen.
LanceDB planerar också att vidareutveckla sina verktyg för egenskapsutveckling. Ett team skulle kunna definiera en transformation en gång, varefter plattformen tillämpar den i hela datamängden, kompletterar befintliga rader i efterhand och bearbetar nya data när de anländer. Ytterligare arbete ska omfatta mer av förberedelserna före träning samt förbättrad dataladdning och cachning under träningskörningar.
B-rundan för LanceDB bortom hämtning och in i det löpande arbetet med att förändra datamängder, genomföra experiment och förse träningsjobb med data. I nästa fas ska det prövas om en och samma plattform kan hantera både datavolymer i den allra största skalan och de ständiga förändringar från experiment till experiment som kunder som Runway beskriver.












